Ternyata pengatur lalu lintas tak berfungsi. Kita harus menggunakan teknologi algoritmia yang terlatih untuk memahami perubahan meski perangat ini belum mampu memenuh semua harapan manusia.
Penulis/editor: Rayendra L Toruan
mmINDUSTRI.co.id – Tim peneliti Fraunhufer IOSB-INA bekerjasama dengan perusaaan Stührenberg GmbH, Cichon Automatisierungstechnik GmbH, Stadtwerke Lemgo GmbH, pemerintah kota Lemgo, dan Straßen.NRW untuk menekan beban arus lalu lintas dengan menggunakan teknolgi.
Kementerian Transportasi Federal dan Infrastruktur Digital (BMVI) Jerman mendanai proyek tersebut, yang berakhir pada musim panas 2022.
Lampu lalu lintas konvensional menggunakan kontrol berbasis aturan, tetapi pendekatan yang kaku dan usang ini tidak berfungsi untuk semua situasi lalu lintas sekarang ini.
Teknologi algoritma telah terlatih menghitung perilaku perubahan lampu lalu lintas secara optimal untuk mengoptimalkan arus lalu lintas dan mengurangi kebisingan dan polusi CO2 dari kemacetan lalu lintas.
Selain itu, sensor yang saat ini digunakan—teknologi loop induksi yang tertanam di permukaan jalan—hanya memberikan kesan kasar tentang situasi lalu lintas dari yang sebenarnya.
Para peneliti di Fraunhofer IOSB-INA bekerja untuk mengatasi masalah ini. Alih-alih menggnakan sensor konvensional, para ahli justru menggunakan kamera resolusi tinggi, dan sensor radar untuk lebih tepat menangkap situasi lalu lintas yang sebenarnya.
Hal itu memungkinkan jumlah kendaraan yang menunggu di persimpangan dapat ditentukan secara akurat secara real time.
Teknologi juga mampu mendeteksi kecepatan rata-rata mobil dan waktu tunggu.
Sensor real-time dikombinasikan dengan kecerdasan buatan atau AI yang menggantikan aturan dan kontrol kaku yang biasa dilakukan oleh manusia yakni petugas dan polisi lalu lintas.
AI menggunakan algoritma pembelajaran penguatan dalam atau deep reinforcement learning (DRL), metode pembelajaran mesin yang berfokus untuk menemukan solusi cerdas yang mampu memecahkan masalah kontrol yang begitu kompleks.
“Kami menggunakan persimpangan di Lemgo, tempat pengujian kami dilakukan, untuk membangun simulasi realistis dan melatih AI pada iterasi yang tak terhitung jumlahnya dalam model ini,” tutur Arthur Müller, Manajer Proyek seorang Ilmuwan senior di Fraunhofer IOSB-INA.
Sebelum menjalankan simulasi, timnya menambahkan volume lalu lintas yang diukur selama jam sibuk ke dalam model, yang memungkinkan kecerdasan buatan atau AI bekerja berdasarkan data nyata.
“Cara ini menghasilkan agen yang dilatih dengan menggunakan pembelajaran penguatan mendalam yakni jaringan saraf yang mewakili kontrol lampu,” ungkap Arthur Müller ilmuwan senior dari Fraunhofer IOSB-INA.
Bagaimana pendekatan deep reinforcement learning (DRL) bekerja?
DRL atau pembelajaran penguatan mendalam bermanfaat jika apikasi ini mampi menggabungkan jaringan saraf tiruan dengan kerangka pembelajaran penguatan yang membantu perangkat lunak belajar bagaimana mencapai tujuan mereka.
Artinya, ini menyatukan perkiraan fungsi dan pengoptimalan target, memetakan status dan tindakan ke imbalan yang dihasilkannya.
Algoritma yang dilatih dengan cara ini menghitung perilaku peralihan optimal untuk lampu lalu lintas dan urutan fase terbaik untuk mempersingkat waktu tunggu di persimpangan.
Hal itu untuk mengurangi waktu perjalanan dan dengan demikian menurunkan kebisingan dan polusi CO2 yang disebabkan oleh antrian lalu lintas.
Algoritma berbasis kecerdasan buatan atau AI beroperasi di computer dan di tepi kotak atau alat kontrol yang ditaruh di persimpangan.
Salah satu keuntungan dari algoritma adalah dapat diuji, digunakan, dan ditingkatkan untuk menyertakan lampu di sekitarnya yang membentuk jaringan yang lebih luas.
Apakah dampak besar telah ditingkatkan?
Fase simulasi yang dilakukan di jalan-jalan persimpangan kota Lemgo yang padat kendaraan yang dilengkapi dengan lampu cerdas.
Ini menunjukkan bahwa penggunaan kecerdasan buatan dapat meningkatkan arus lalu lintas sebesar 10-15 persen.
Selama beberapa bulan mendatang yang dihitung sejak awal Februari 2022, peralatan yang terlatih akan turun ke jalan untuk evaluasi lebih lanjut di laboratorium kehidupan nyata.
Pengujian ini juga akan mempertimbangkan pengaruh metrik lalu lintas pada parameter seperti polling kebisingan uasi dan emisi.
Akan tetapi, simulasi ke kesenjangan realitas yang tak terhindarkan menghadirkan tantangan.
“Asumsi tentang perilaku lalu lintas yang digunakan dalam simulasi bukanlah representasi realitas 1:1. Jadi, alat perlu disesuaikan,” pandangan Arthur Müller, Manajer Proyek yang juga ilmuwan Fraunhofer IOSB-INA itu.
“Jika ini berhasil, efek scaling up akan sangat besar. Bayangkan saja banyaknya lampu lalu lintas bahkan di kota kecil seperti di Lemgo,” tandas Arthur Müller.
Bagaimana Self-Learning Algorithm atau belajar sendiri?
Disebut konsep algoritma belajar mandiri merupakan pengembangan sistem pembelajaran mendalam yang dapat belajar untuk mengisi bagian yang kosong.
Yang paling dekat dengan algoritma belajar mandiri adalah Transformers, sebuah arsitektur yang telah terbukti berhasil dalam pemrosesan bahasa alami. Transformator tidak memerlukan data berlabel.
Sistem ini dilatih pada kumpulan besar teks dan tidak terstruktur seperti posting di laman Wikipedia.
Perangat ini terbukti jauh lebih baik daripada pendahulunya dalam memproduksi teks, bahkan dapat dalam percakapan dan menjawab berbagai pertanyaan. Akan tetapi, jenis algoritma belajar mandiri masih sangat jauh agar benar-benar memahami bahasa manusia.
Transformer telah menjadi sangat terkenal dan merupakan penemuan mendasar untuk hampir semua sistem bahasa canggih, termasuk Roberta Facebook, BERT Google, GPT2 OpenAI, dan chatbot Meena Google.
Belum lama ini, penelitian tentang AI dan ML membuktikan bahwa transformator dapat melakukan integrasi dan menyelesaikan persamaan diferensial yang memerlukan manipulasi simbol.
Hal Ini mungkin mengisyaratkan bahwa evolusi model transformator dapat memungkinkan jaringan saraf untuk bergerak melampaui pengenalan pola dan tugas perkiraan statistik.
Sejauh ini, sistem belajar mandiri transformer telah membuktikan nilainya dalam menangani data diskrit seperti kata-kata dan simbol matematika.
Akan tetapi, keberhasilan sistem Transformers belum ditransfer ke domain data visual.
Algoritma dan sistem belajar mandiri jauh lebih sulit untuk mewakili ketidakpastian dan prediksi dalam gambar berbasis AI seperti gambar dan video dibandingkan dengan teks karena tidak terpisah.
Untuk setiap segmen video, dimungkinkan pada masa depan dengan jumlah yang tak terhitung. Hal itu menyebabkan semakin mempersulit sistem AI dan ML untuk memprediksi satu hasil.
Misalnya beberapa frame berikutnya dalam sebuah video. Model jaringan saraf akhirnya menghitung rata-rata semua efek yang mungkin, dan menghasilkan keluaran atau gambar yang buram.
Baca: Sensor LiDAR Rekam Percakapan Orang, Hati-hatilah Berbicara
Sensor LiDAR Rekam Percakapan Orang, Hati-hatilah Berbicara 